📊 statistics

Time-Averaged Drift Approximations are Inconsistent for Inference in Drift Diffusion Models

Dit artikel toont aan dat de tijdgemiddelde drift-benadering (TADA), die veel wordt gebruikt voor efficiënte parameterinferentie in drift-diffusiemodellen met een tijdvariërende drift, statistisch inconsistent is en leidt tot systematische biases en onjuiste wetenschappelijke conclusies.

Oorspronkelijke auteurs: Sicheng Liu, Alexander Fengler, Michael J. Frank, Matthew T. Harrison

Gepubliceerd 2026-06-09

📖 6 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Sicheng Liu, Alexander Fengler, Michael J. Frank, Matthew T. Harrison

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Het Grote Plaatje: Een Gebroken Kompas voor Besluitvorming

Stel je voor dat je probeert te begrijpen hoe een persoon een beslissing neemt. Wetenschappers gebruiken hiervoor een wiskundig hulpmiddel genaamd een Drift Diffusion Model (DDM). Denk bij dit model aan een wandelaar die door een mistige vallei loopt.

De wandelaar is de hersenen van de persoon die bewijs verzamelen.
De mist is de ruis of willekeur in hun gedachten.
De snelheid en richting van de wandelaar (de "drift") hangt af van hoeveel ze van Optie A versus Optie B houden.
De kliffen aan weerszijden van de vallei zijn de beslissingsgrenzen. Zodra de wandelaar een klif raakt, wordt er een keuze gemaakt.

In veel moderne experimenten is de snelheid van de wandelaar niet constant. Deze verandert van moment tot moment op basis van waar de persoon naar kijkt (hun "gaze" of blikrichting). Als ze naar Optie A kijken, bewegen ze sneller in die richting; als ze naar Optie B kijken, vertragen ze of bewegen ze de andere kant op. Dit wordt een Attentional Drift Diffusion Model (aDDM) genoemd.

Het Probleem: De "Snelkoppeling" die Liegt

Het precies berekenen hoe deze wandelaar beweegt wanneer hun snelheid constant verandert, is voor computers extreem moeilijk en traag. Het is alsoals proberen het exacte pad van een auto te berekenen die elke seconde van snelheid verandert op basis van verkeerslichten, terwijl je ook nog rekening moet houden met elke kuil in de weg.

Om de wiskunde makkelijker te maken, gebruiken veel onderzoekers een snelkoppeling genaamd Time-Averaged Drift Approximation (TADA).

De Analogie: Stel je voor dat je wilt weten hoe snel een auto tijdens een rit heeft gereden. In plaats van elke seconde op de snelheidsmeter te kijken, neem je simpelweg de totale afstand en deel je die door de totale tijd. Je krijgt dan een "gemiddelde snelheid".
De Aanname: Onderzoekers die TADA gebruiken, gaan ervan uit dat als ze de constant veranderende snelheid van de wandelaar vervangen door deze enkele "gemiddelde snelheid", de wiskunde hetzelfde zal uitpakken. Ze denken: "Als ik deze gemiddelde snelheid gebruik, kan ik een eenvoudige, snelle formule gebruiken om de ware voorkeuren van de wandelaar te achterhalen."

De Ontdekking van het Papier: De Snelkoppeling is Gebroken

De auteurs van dit artikel (Liu, Fengler, Frank en Harrison) hebben bewezen dat deze snelkoppeling fundamenteel gebrekkig is.

Ze lieten zien dat het gebruik van de "gemiddelde snelheid" (TADA) om de ware voorkeuren van de wandelaar te raden, leidt tot foutieve antwoorden, en dat je naarmate je meer data verzamelt, alleen maar meer zeker wordt van die foute antwoorden.

Hier zijn de drie belangrijkste manieren waarop ze dit hebben bewezen:

1. De "Tijdreis"-paradox

Het artikel legt uit dat TADA wiskundig gezien onmogelijk correct te definiëren is.

De Analogie: Om de "gemiddelde snelheid" van de wandelaar te berekenen met behulp van TADA, moet je weten hoe lang de reis duurde voordat de reis überhaupt voorbij is.
De Realiteit: De "gemiddelde snelheid" hangt af van het exacte moment waarop de wandelaar de klif raakt (de beslistijd). Maar de beslistijd is precies datgene wat je probeert te voorspellen!
Het Resultaat: Omdat de snelkoppeling afhankelijk is van informatie uit de toekomst (de beslistijd) om het heden (de snelheid) te berekenen, creëert het een "geestmodel". Het is geen echte beschrijving van hoe de hersenen werken; het is een wiskundige illusie.

2. De "Altijd Te Hoog"-bias

De auteurs hebben een eenvoudige wiskundige bewijsvoering en computersimulaties uitgevoerd om te laten zien wat er gebeurt als je deze snelkoppeling gebruikt.

De Analogie: Stel je voor dat je probeert het werkelijke gewicht van een mysterieuze doos te raden. Je gebruikt een kapotte weegschaal die bij elke meting altijd 5 pond extra aangeeft.
- Als de doos 10 pond weegt, zegt de weegschaal 15 pond.
- Als de doos 100 pond weegt, zegt de weegschaal 105 pond.
- Hoe vaak je de doos ook weegt, de weegschaal komt nooit dichter bij de waarheid. Het is "inconsistent".
Het Resultaat: Het papier bewijst dat TADA de sterkte van de "drift" systematisch overschat. Als iemand een matige voorkeur heeft, zal TADA je vertellen dat die persoon een zeer sterke voorkeur heeft. Het liegt systematisch over de omvang van het effect.

3. De "Verkeerde Winnaar" in Wetenschappelijke Tests

Dit is het gevaarlijkste deel. De auteurs hebben aangetoond dat deze gebroken snelkoppeling wetenschappers ertoe kan brengen de verkeerde conclusie te trekken over welke groep mensen verschilt.

De Analogie: Stel je voor dat je twee hardlopers vergelijkt, Alice en Bob, om te zien wie er sneller is.
- Alice loopt op een parcours met een lichte helling omhoog.
- Bob loopt op een vlak parcours.
- Je gebruikt een kapotte stopwatch (TADA) die traag loopt op heuvels maar snel op vlak terrein.
- Zelfs als Alice eigenlijk sneller is, kan jouw kapotte stopwatch zeggen dat Bob sneller is, puur vanwege de omstandigheden van het parcours, en niet vanwege hun hardloopvaardigheid.
Het Resultaat: Het papier simuleerde twee groepen mensen met licht verschillende aandachtstijlen. Wanneer zij de standaard, correcte wiskunde gebruikten, vonden ze het juiste verschil. Wanneer zij de TADA-snelkoppeling gebruikten, waren de resultaten zo vertekend dat ze concludeerden dat de andere groep sterker was. Ze vonden "statistische significantie" voor een verschil dat niet bestond, of misten een echt verschil volledig.

De Oplossing: Gebruik de Snelkoppeling Niet

Het artikel concludeert dat hoewel TADA snel en gemakkelijk is, het onveilig is voor wetenschappelijk onderzoek. Het leidt tot bevooroordeelde resultaten en foutieve conclusies.

In plaats van de snelkoppeling te gebruiken, wijzen de auteurs naar een nieuwe, snelle en wiskundig correcte methode die zij in een apart artikel hebben ontwikkeld (genaamd efpt).

De Analogie: In plaats van de gebroken "gemiddelde snelheid"-weegschaal, hebben zij een nieuwe, hoogtechnologische weegschaal gebouwd die de complexe, veranderende snelheden van de wandelaar kan verwerken zonder in de war te raken. Deze is net zo snel als de snelkoppeling, maar geeft het ware antwoord.

Samenvatting

Het Instrument: Wetenschappers gebruiken modellen om te begrijpen hoe aandacht besluitvorming beïnvloedt.
De Fout: Veel onderzoekers gebruiken een "tijdgemiddelde" snelkoppeling (TADA) om de wiskunde eenvoudiger te maken.
De Bevinding: Deze snelkoppeling is wiskundig inconsistent. Het convergeert niet naar de waarheid; het overschat consequent effecten en kan de resultaten van wetenschappelijke tests omdraaien, waardoor het lijkt alsof de ene groep verschilt van de andere terwijl dat niet zo is (of andersom).
Het Advies: Stop met het gebruik van TADA. Gebruik de nieuwe, nauwkeurige en snelle methoden (zoals efpt) die de auteurs hebben ontwikkeld om het juiste antwoord te krijgen.

Technische Samenvatting: Tijdgemiddelde Drift-approximaties zijn inconsistent voor inferentie in Drift Diffusion Modellen

Probleemstelling
Drift Diffusion Modellen (DDM's) worden breed gebruikt om de accumulatie van bewijs tijdens besluitvormingstaken te modelleren. Hoewel standaard DDM's met constante driftparameters gesloten vorm-likelihoodoplossingen toestaan, bevatten veel uitbreidingen—met name het Attentional Drift Diffusion Model (aDDM)—driftrates die zowel binnen een trial (tijdvariërend) als over trials heen (trial-variërend) variëren. In het aDDM hangt de driftrate $\mu(t)$ af van het instantane visuele fixatietraject van de deelnemer.

Het evalueren van de likelihood voor dergelijke modellen is computationeel prohibitief omdat de driftfunctie uniek is voor elke trial, wat het delen van berekeningen over trials heen verhindert. Om dit te omzeilen, maken onderzoekers frequent gebruik van de Time-Averaged Drift Approximation (TADA). TADA vereenvoudigt het model door de tijdvariërende drift $\mu(t)$ te vervangen door de gemiddelde waarde over de duur van de trial $\tau$ , waardoor het probleem effectief wordt omgezet in een standaard DDM met een constante "effectieve" drift. Deze benadering maakt gebruik van analytische likelihood-formules, wat snelle parameterinferentie mogelijk maakt. Echter, de geldigheid van TADA als surrogaat voor het ware aDDM, met name met betrekking tot de consistentie van de schatters, is nog niet rigoureus vastgesteld.

Methodologie
De auteurs maken gebruik van een combinatie van wiskundige analyse en numerieke simulatie om de statistische eigenschappen van TADA te evalueren.

Wiskundig Bewijs van Inconsistentie:
De auteurs construeren een vereenvoudigd tegenvoorbeeld: een Brownse beweging met een stuksgewijs constante drift (drift $\mu$ voor $t \in [0, T]$ en 0 daarna) die een eenzijdige bovenste grens raakt.
- Zij leiden de exacte First Passage Time Density (FPTD) af voor dit proces, aangeduid als $f_{aDDM}(\tau; \mu)$ .
- Zij leiden de FPTD af die door TADA wordt geïmpliceerd, aangeduid als $f_{TADA}(\tau; \mu)$ , welke steunt op de gemiddelde drift $\alpha(\mu, \tau, T) = \frac{1}{\tau}\int_0^\tau \mu(t) dt$ .
- Zij demonstreren dat $f_{TADA}$ geen geldige kansdichtheidsfunctie is (deze integreert niet tot 1) omdat de "effectieve" drift zelf afhangt van de stoppentijd $\tau$ , wat een circulaire afhankelijkheid creëert die de definitie van een generatief model schendt.
- Gebruikmakend van de Sterke Wet van de Grote Getallen, bewijzen zij dat de TADA maximum likelihood estimator ( $\hat{\mu}_{TADA}$ ) bijna zeker convergeert naar een waarde $\tilde{\mu}$ die strikt groter is dan de ware drift $\mu$ (specifiek, $\tilde{\mu} > \max\{\mu, b/T\}$ ), waarmee de statistische inconsistentie wordt vastgesteld.
Numerieke Simulaties:
De auteurs valideren hun theoretische bevindingen via drie numerieke experimenten:
- Eenzijdige Grens: Het simuleren van het stuksgewijs constante driftmodel om te bevestigen dat $\hat{\mu}_{TADA}$ convergeert naar de vertekende theoretische limiet in plaats van de ware $\mu$ , terwijl de standaard Maximum Likelihood Estimator (MLE) wel consistent blijft.
- Tweezijdige Grenzen: Het simuleren van een DDM met alternerende driften tussen twee grenzen. Met behulp van een nieuw efficiënt algoritme (efpt), ontwikkeld in parallel werk (Liu et al., 2025) om exacte likelihoods te berekenen, tonen zij aan dat TADA de magnitude van driftparameters systematisch overschat.
- Volledig aDDM: Het simuleren van het volledige aandachtmodel met blikafhankelijke driften. Zij schatten de attentionele discountparameter $\eta$ (waarbij $\eta=1$ staat voor geen effect van aandacht en $\eta=0$ voor maximaal effect) in. Zij vergelijken TADA-schattingen met exacte MLE's over variërende steekproefgroottes.

Belangrijkste Resultaten

Statistische Inconsistentie: De TADA-estimator is wiskundig bewezen inconsistent. Naarmate de steekproefomvang $n \to \infty$ groeit, convergeert de estimator niet naar de ware parameterwaarde, maar naar een vertekende limiet.
Systematische Bias: In numerieke voorbeelden overschat TADA consequent de magnitude van driftparameters en onderschat het systematisch de attentionele discountparameter $\eta$ . Bijvoorbeeld, wanneer de ware $\eta$ laag is (sterke effecten van aandacht), kunnen de TADA-schattingen negatief worden, wat fysiek betekenisloos is.
Falen in Hypothesetoetsing: De bias geïntroduceerd door TADA is niet uniform; deze hangt af van nuisance parameters (bijv. grensafstand, drift-schaal) en covariantie-distributies. Bijgevolg kan TADA, wanneer twee populaties worden vergeleken met verschillende nuisance parameters, leiden tot kwalitatief onjuiste conclusies. De auteurs demonstreren scenario's waarin TADA het teken van het verschil in attentionele effecten tussen twee groepen onjuist omdraait, wat leidt tot fout-positieven of fout-negatieven in likelihood ratio-testen.
Geldigheid van Exacte Methoden: In contrast hiermee blijft de standaard MLE (berekend met het efpt-algoritme) consistent en herstelt deze accuraat de ware parameters in alle geteste scenario's.

Betekenis en Claims
Het artikel stelt dat het wijdverbreide gebruik van TADA een aanzienlijk risico vormt voor het vertekend maken van wetenschappelijke conclusies. De auteurs betogen dat omdat TADA geen goed gespecificeerd generatief model definieert (de drift hangt af van de toekomstige stoppentijd), de likelihoodfunctie ongeldig is en de estimators fundamenteel gebrekkig zijn.

De betekenis van dit werk ligt in:

Correctie van een Veelvoorkomende Praktijk: Het daagt de aanname uit dat TADA een geldige benadering is voor het aDDM, en suggereert dat eerdere studies die op deze benadering vertrouwden, mogelijk vertekende parameter-schattingen hebben gerapporteerd.
Benadrukking van Kwalitatieve Risico's: Het toont aan dat de bias niet louter kwantitatief is, maar ook de richting van wetenschappelijke conclusies over populatieverschillen kan veranderen.
Promotie van Rigoureuze Alternatieven: De auteurs pleiten voor het gebruik van wiskundig gerechtvaardigde, snelle likelihood-berekeningsmethoden (zoals het efpt-algoritme genoemd in hun parallelle werk) in plaats van computationeel gemakkelijke maar statistisch inconsistente benaderingen. Zij bevelen aan om bestaande resultaten verkregen via TADA te herzien.

De auteurs hanteren een bescheiden toon met betrekking tot de reikwijdte van hun bevindingen, waarbij zij opmerken dat hoewel hun analyse de consistentie van TADA ongeldig maakt, dit niet noodzakelijkerwijs alle kwalitatieve conclusies uit eerdere studies ongeldig maakt, hoewel het ernstige zorgen oproept over hun betrouwbaarheid. Zij benadrukken dat de inconsistentie specifdt voortkomt uit het feit dat de "effectieve" parameter afhankelijk is van de eerste passage tijd zelf, een conditie die veel voorkomt in tijd-afhankelijke DDMs.